3. 参数辨识的基本框架
参数辨识不是“拿一组数据去拟合一条曲线”这么简单。它是一条从先验知识出发、经过实验设计、数值优化，最终回到物理可信性检验的闭环。任何一个环节出问题，都可能得到“残差很小但物理上荒谬”的参数。本节把这条闭环拆成五个相互咬合的环节，并说明每个环节的输入、输出与判断依据。
一、模型结构选择：先定“参数站在哪里”
一维系统通常写成状态空间或传递函数形式。以常见的一阶惯性加纯滞后对象为例：
G(s) = K / (T·s + 1) · e^(-τ·s)待辨识参数为增益 K、时间常数 T、纯滞后 τ。若把结构误设为无滞后的一阶模型，优化算法会把 τ 的能量强行塞进 T，导致 T 偏大、残差呈现系统性偏差。因此结构选择的核心是：用机理分析或阶跃响应形状确定模型阶次与是否含滞后。判断依据包括：阶跃响应是否存在明显“死区”、初始斜率是否为零、稳态是否单调。若响应呈 S 形且初始斜率为零，应考虑二阶或高阶模型；若存在纯滞后，则必须在结构中显式保留 e^(-τs)。
二、数据采集：激励必须“照亮”待辨识参数
数据采集的目标是让输出对每个参数都敏感。对一维系统，常用激励为阶跃、伪随机二进制序列（PRBS）或正弦扫频。以阶跃为例，采样周期应满足：
Ts ≤ T / 10 （经验值，保证时间常数可分辨）
总时长 ≥ 5T + τ （保证进入稳态）若 Ts 过大，T 的辨识方差急剧上升；若总时长不足，稳态增益 K 无法准确估计。同时要记录输入 u(k) 与输出 y(k) 的同步时间戳，避免滞后 τ 被采样不同步“污染”。数据预处理包括去均值、剔除异常点、必要时低通滤波，但滤波会引入额外相位滞后，需在模型中补偿或选择零相位滤波。
三、准则函数：把“像不像”变成可优化的数
最常用的是输出误差平方和：
J(θ) = Σ_{k=1}^{N} [ y(k) - ŷ(k|θ) ]²其中 θ = [K, T, τ]ᵀ，ŷ(k|θ) 由模型在相同输入下仿真得到。若噪声主要出现在输出端且为白噪声，该准则等价于极大似然估计。若输入输出都含噪，可改用方程误差或辅助变量法。准则函数的选择直接决定参数估计的统计性质：输出误差法一致性好但计算量大；方程误差法计算简单但存在偏差。实际中常先用方程误差法得到初值，再用输出误差法精修。
四、优化求解：从初值到收敛
一维系统参数少，常用 Levenberg–Marquardt 或单纯形法。以 LM 为例，迭代格式为：
θ_{k+1} = θ_k - [JᵀJ + λ·I]⁻¹ · Jᵀ · r其中 r 为残差向量，J 为残差对参数的雅可比矩阵。λ 为阻尼因子：λ 大时接近梯度下降，λ 小时接近高斯–牛顿。初值建议由阶跃响应图解法给出：K 取稳态输出变化量除以输入幅值，T 取达到 63.2% 稳态值的时间，τ 取响应开始变化的时间。若初值离真值太远，LM 可能收敛到局部极小，此时可多起点重启或先用网格搜索粗定位。
五、模型验证：闭环的“回程”
参数收敛不等于模型可信。验证至少包括三项：
- 残差白性检验：残差自相关函数应落在置信区间内，若存在周期性峰，说明模型阶次不足或存在未建模动态。
- 交叉验证：用另一组不同幅值或不同工况的数据仿真，比较拟合度。若训练集拟合好、验证集差，说明过拟合或结构错误。
- 物理合理性：K、T、τ 必须为正且量级符合工艺常识。例如温度对象 T 通常为分钟级，若辨识出 T = 0.01 s，即使残差小也应拒绝。
若验证不通过，应回到模型结构或数据采集环节，而不是继续调优化器。这正是“闭环”的含义：验证结果反馈到前端，驱动结构修正或补充实验。
六、闭环中的关键判断与常见陷阱
把五个环节串起来看，闭环的“回程”有三条路径：
- 残差有规律 → 回结构：若残差自相关在滞后 τ 处出现尖峰，说明纯滞后估计不准，应重新检查时间同步或结构中的滞后项。
- 参数方差大 → 回数据：若 K 的置信区间宽到无意义，说明激励幅值太小或数据段太短，应加大阶跃幅值或延长采集时间。
- 收敛到边界 → 回初值/算法：若 T 收敛到 0 或负值，通常是初值离真值太远，应先用图解法给出合理初值，再启用 LM。
一个常见的错误是：验证不通过时反复更换优化算法，却不动模型结构和数据。优化器只能在你给定的准则函数和结构下找极小值，它无法“发明”正确的结构。因此，闭环的优先级应是：结构 > 数据 > 准则 > 算法。
总结来说，参数辨识的闭环框架可以概括为：结构定参数位置，数据定参数可辨识性，准则定优化目标，算法定收敛路径，验证定最终取舍。五个环节缺一不可，且验证结果必须能够反向驱动前四个环节的修正，才构成真正意义上的闭环。